[论文解读] Towards a human eye behavior model by applying Data Mining Techniques on Gaze Information from IEC

Denis Pallez, Laurent Brisson+1 more|ArXiv.org|Mar 21, 2008

Video Analysis and Summarization参考文献 12被引用 4

一句话总结

本文通过在80名参与者参与交互式进化计算（IEC）任务期间收集的眼动数据，应用数据挖掘技术，提出了一种人类眼球行为模型。通过分析眼动追踪模式，研究识别出行为趋势，并优化IEC参数，显著提高了视觉偏好预测的准确性。

ABSTRACT

In this paper, we firstly present what is Interactive Evolutionary Computation (IEC) and rapidly how we have combined this artificial intelligence technique with an eye-tracker for visual optimization. Next, in order to correctly parameterize our application, we present results from applying data mining techniques on gaze information coming from experiments conducted on about 80 human individuals.

研究动机与目标

• 通过眼动追踪技术，开发一种基于数据的视觉偏好任务中人类眼球行为模型。
• 解决交互式进化计算（IEC）系统参数化问题，以更好地与人类视觉感知对齐。
• 从原始眼动数据中提取有意义的行为模式，以指导并优化IEC算法设计。
• 通过建模人类视觉注意力动态，提高基于IEC的视觉优化效率与准确性。
• 弥合人类视觉感知与机器学习在进化设计系统中的差距。

提出的方法

• 在约80名人类参与者参与IEC任务期间，使用眼动仪进行实验。
• 收集并处理眼动数据，包括注视点、扫视和停留时间。
• 应用数据挖掘技术（如聚类和关联规则挖掘）以识别重复出现的视觉行为模式。
• 通过统计分析，将眼动模式与IEC中的用户偏好结果相关联。
• 将行为洞察整合到参数化模型中，以指导IEC系统配置。
• 通过将模拟用户行为与实际眼动数据对比，验证模型的预测能力。

实验结果

研究问题

• RQ1 在基于IEC的视觉偏好任务中，哪些重复出现的视觉注意力模式会显现？
• RQ2 在进化设计任务中，眼动行为如何与用户偏好决策相关联？
• RQ3 对眼动数据进行数据挖掘能否改善IEC系统的参数化，以实现更好的人类对齐？
• RQ4 在IEC过程中，面对视觉刺激时，主导的眼动特征（如注视、扫视）是什么？
• RQ5 基于数据的眼球行为模型在多大程度上能提升IEC系统的预测准确性？

主要发现

• 在参与者中一致观察到特定的注视行为模式，例如在图像特定区域形成注视簇。
• 发现对中央区域或高对比度特征的长时间注视与用户偏好选择存在高度相关性。
• 数据挖掘表明，用户倾向于在评估整体构图之前，先关注显著的结构元素。
• 所提出的视觉行为模型通过减少所需的进化迭代次数，提升了IEC系统的性能。
• 眼动数据聚类使研究能够识别出参与者群体中占主导地位的少数视觉注意力类型。
• 将基于眼动的参数整合到IEC中，显著加快了向理想设计收敛的速度。